基于MRI-PET融合成像的自动化沟底皮质发育不良检测助力耐药性局灶性癫痫精准诊断

　　本研究针对耐药性局灶性癫痫中MRI难以识别的沟底皮质发育不良(BOSD)病灶，开发了融合FDG-PET与MRI特征的自动化检测系统。研究团队通过机器学习算法验证，联合成像模式显著提升BOSD检出率（测试集达94%），为临床隐匿性癫痫灶定位提供新方案。

　　

在耐药性局灶性癫痫诊疗领域，沟底皮质发育不良(BOSD)作为局灶性皮质发育不良的特殊亚型，具有极高的临床漏诊风险——约60%的病例在常规磁共振成像(MRI)检查中难以被发现。虽然目前已有针对局灶性皮质发育不良的自动化MRI检测方案，但专门针对BOSD且整合氟脱氧葡萄糖正电子发射断层扫描(FDG-PET)的多模态检测系统仍属空白。

研究团队构建了包含54例BOSD患者的训练集，并采用来自两个医疗中心的29例患者作为测试集（其中17例为前瞻性收集，12例来自文献报道）。值得注意的是，81%的患者初始MRI表现正常，且多数病灶体积小于1.5cm³。通过评估T1加权MRI、液体衰减反转恢复序列(FLAIR-MRI)和FDG-PET提取的12项特征，研究发现：皮层及皮层下低代谢现象在区分发育异常皮层与正常组织方面显著优于MRI形态学特征。

采用国际癫痫病灶检测组推荐的机器学习框架并整合FDG-PET数据，研究人员开发了神经网络分类器进行多模态检测。当采用MRI+PET联合特征时，训练集中87%的BOSD病灶被前五个预测簇覆盖（首要簇覆盖率达69%），前瞻性测试集和文献测试集的覆盖率分别达到94%（首要簇88%）和75%（首要簇58%）。相比单纯MRI或PET特征建模，多模态融合始终展现更优的检测效能。

这项突破性研究表明：通过将FDG-PET代谢特征整合至现有MRI自动化检测体系，并采用BOSD特异性数据进行训练，可实现对此类隐匿性癫痫灶的有效识别。对于临床表现高度疑似但MRI显阴性的患者，该系统能为医师提供需要重点复核的疑似区域，显著提升癫痫术前评估的精准度。

（注：冲突利益声明显示所有作者均无相关利益冲突需要披露）